La demande arrive à 16 h 20. Un interlocuteur souhaite obtenir un indicateur clé de performance (KPI) du chiffre d’affaires quotidien ventilé par « canal » sur les 90 derniers jours, et le veut sur Slack avant la réunion de suivi du lendemain.
Un assistant IA peut rapidement rédiger une première version de la requête SQL. Toutefois, vous restez responsable du chiffre final communiqué. Si la requête comptabilise deux fois le revenu en raison d’une jointure de type « plusieurs-à-plusieurs » (many-to-many), l’erreur en aval vous incombe, et non au modèle. La bonne approche professionnelle consiste à utiliser l’IA pour gagner en rapidité lorsque l’erreur a peu de conséquences, tout en maintenant des étapes de vérification là où une erreur coûterait cher.
Découvrez les principales étapes de ce processus.
Faites appel à l’IA pour générer des ébauches de code SQL lorsque le résultat peut être facilement vérifié. L’élaboration d’une structure de requête, la traduction d’une question en clause GROUP BY ou la création de requêtes de validation sont des cas d’usage pertinents, car vous pouvez les exécuter et en comparer les résultats.
Prenons un exemple concret. Vous disposez d’une table fact_orders contenant 12,4 millions de lignes (couvrant la période du 1er janvier au 30 juin 2024) et d’une table dim_channel indexée par channel_id. La question posée est : « Quel est le revenu net quotidien par canal sur les 90 derniers jours ? » L’IA peut préparer les jointures et le filtre de date ; il vous appartient ensuite de vérifier la granularité des lignes et la cardinalité des jointures avant de valider les totaux.
Évitez d’utiliser l’IA pour les tâches nécessitant une prise de décision faisant autorité. La définition des indicateurs clés de performance (KPI), la délimitation du périmètre des métriques et l’établissement des règles métier ne sont pas de simples exercices de rédaction ; ce sont des décisions stratégiques. L’IA peut reformuler votre définition, mais c’est à vous de décider si le terme « revenu » désigne le revenu brut, le revenu net (après remboursements ou remises) ou le revenu comptabilisé ; vous assumez également les conséquences si les parties prenantes se basent sur une définition erronée.
Comparez le niveau de risque associé aux différentes tâches.
Vous utiliserez un flux de travail unique tout au long de ce cours. Une étape de vérification désigne un point de contrôle où vous ne poursuivez pas la tâche tant que vous n’avez pas la preuve que la requête est correcte au regard de la définition établie.
Commencez par un cahier des charges précis. Rédigez en langage clair la définition de la métrique, la période, le niveau de granularité et les dimensions de segmentation.
Générez ensuite le code. L’IA rédige le SQL ainsi que les vérifications nécessaires pour valider le résultat. Vous exécutez vous-même l’ensemble des opérations dans votre entrepôt de données.
La validation ne se résume pas à constater que la requête « renvoie des lignes ». Procédez par triangulation : comparez le résultat avec un chiffre connu issu d’un tableau de bord pour une journée donnée, vérifiez les totaux avant et après la jointure, et confirmez la granularité en comptant les clés distinctes. Si la valeur de SUM(revenue) change lors de la jointure avec dim_channel, c’est une anomalie critique qu’il faut résoudre avant tout partage.
La documentation fait partie intégrante de la finalisation du travail. Conservez le code SQL final, les hypothèses retenues et les requêtes de validation. Si un autre analyste ne peut pas reproduire votre résultat demain, c’est que le travail n’est pas terminé.
Essayez le flux de travail que vous suivrez durant ce cours.